Analyse du commerce électronique brésilien¶

Importations des librairies¶

Importations des doonées¶

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 112650 entries, 0 to 112649
Data columns (total 51 columns):
 #   Column              Non-Null Count   Dtype         
---  ------              --------------   -----         
 0   order_id            112650 non-null  object        
 1   order_item_id       112650 non-null  int64         
 2   product_id          112650 non-null  object        
 3   seller_id           112650 non-null  object        
 4   price               112650 non-null  float64       
 5   freight_value       112650 non-null  float64       
 6   shipping_limit      112650 non-null  datetime64[us]
 7   limit               112650 non-null  float64       
 8   name_lenght         111047 non-null  float64       
 9   description_lenght  111047 non-null  float64       
 10  photos_qty          111047 non-null  float64       
 11  weight_g            112632 non-null  float64       
 12  length_cm           112632 non-null  float64       
 13  height_cm           112632 non-null  float64       
 14  width_cm            112632 non-null  float64       
 15  category_name       112650 non-null  object        
 16  customer_id         112650 non-null  object        
 17  purchase_timestamp  112650 non-null  datetime64[us]
 18  approved_at         112635 non-null  datetime64[us]
 19  delivered_carrier   111456 non-null  datetime64[us]
 20  delivered_customer  110196 non-null  datetime64[us]
 21  estimated_delivery  112650 non-null  datetime64[us]
 22  status              112650 non-null  object        
 23  annee               112650 non-null  int32         
 24  mois                112650 non-null  int32         
 25  annee_mois          112650 non-null  int32         
 26  jour                112650 non-null  int32         
 27  annee_jour          112650 non-null  int32         
 28  jour_semaine        112650 non-null  int32         
 29  trimestre           112650 non-null  int32         
 30  annee_trimestre     112650 non-null  int32         
 31  semaine             112650 non-null  int32         
 32  annee_semaine       112650 non-null  int32         
 33  heure               112650 non-null  int32         
 34  approuvee           112635 non-null  float64       
 35  envoyee             111456 non-null  float64       
 36  livree              110196 non-null  float64       
 37  estimee             112650 non-null  float64       
 38  customer_unique_id  112650 non-null  object        
 39  cust_zip_code       112650 non-null  int32         
 40  cust_city           112650 non-null  object        
 41  cust_state          112650 non-null  object        
 42  cust_name_state     112650 non-null  object        
 43  cust_lat            112348 non-null  float64       
 44  cust_lng            112348 non-null  float64       
 45  sell_zip_code       112650 non-null  int32         
 46  sell_city           112650 non-null  object        
 47  sell_state          112650 non-null  object        
 48  sell_name_state     112650 non-null  object        
 49  sell_lat            112397 non-null  float64       
 50  sell_lng            112397 non-null  float64       
dtypes: datetime64[us](6), float64(18), int32(13), int64(1), object(13)
memory usage: 38.2+ MB

Récupération des scores¶

Préparation des données¶

Nettoyage des valeurs extrem¶

anonymisation des vendeurs¶

Définition des périodes de solde¶

1 / Analyse de la Tarification et des Frais de Livraison¶

Préparation des données¶

<class 'pandas.core.frame.DataFrame'>
Index: 105444 entries, 0 to 112649
Data columns (total 67 columns):
 #   Column                    Non-Null Count   Dtype         
---  ------                    --------------   -----         
 0   order_id                  105444 non-null  object        
 1   order_item_id             105444 non-null  int64         
 2   product_id                105444 non-null  object        
 3   seller_id                 105444 non-null  object        
 4   price                     105444 non-null  float64       
 5   freight_value             105444 non-null  float64       
 6   shipping_limit            105444 non-null  datetime64[us]
 7   limit                     105444 non-null  float64       
 8   name_lenght               103985 non-null  float64       
 9   description_lenght        103985 non-null  float64       
 10  photos_qty                103985 non-null  float64       
 11  weight_g                  105444 non-null  float64       
 12  length_cm                 105444 non-null  float64       
 13  height_cm                 105444 non-null  float64       
 14  width_cm                  105444 non-null  float64       
 15  category_name             105444 non-null  object        
 16  customer_id               105444 non-null  object        
 17  purchase_timestamp        105444 non-null  datetime64[us]
 18  approved_at               105430 non-null  datetime64[us]
 19  delivered_carrier         105443 non-null  datetime64[us]
 20  delivered_customer        105444 non-null  datetime64[us]
 21  estimated_delivery        105444 non-null  datetime64[us]
 22  status                    105444 non-null  object        
 23  annee                     105444 non-null  int32         
 24  mois                      105444 non-null  int32         
 25  annee_mois                105444 non-null  int32         
 26  jour                      105444 non-null  int32         
 27  annee_jour                105444 non-null  int32         
 28  jour_semaine              105444 non-null  int32         
 29  trimestre                 105444 non-null  int32         
 30  annee_trimestre           105444 non-null  int32         
 31  semaine                   105444 non-null  int32         
 32  annee_semaine             105444 non-null  int32         
 33  heure                     105444 non-null  int32         
 34  approuvee                 105430 non-null  float64       
 35  envoyee                   105443 non-null  float64       
 36  livree                    105444 non-null  float64       
 37  estimee                   105444 non-null  float64       
 38  customer_unique_id        105444 non-null  object        
 39  cust_zip_code             105444 non-null  int32         
 40  cust_city                 105444 non-null  object        
 41  cust_state                105444 non-null  object        
 42  cust_name_state           105444 non-null  object        
 43  cust_lat                  105167 non-null  float64       
 44  cust_lng                  105167 non-null  float64       
 45  sell_zip_code             105444 non-null  int32         
 46  sell_city                 105444 non-null  object        
 47  sell_state                105444 non-null  object        
 48  sell_name_state           105444 non-null  object        
 49  sell_lat                  105209 non-null  float64       
 50  sell_lng                  105209 non-null  float64       
 51  score                     105444 non-null  int64         
 52  score_1                   105444 non-null  int64         
 53  score_2                   105444 non-null  int64         
 54  score_3                   105444 non-null  int64         
 55  score_4                   105444 non-null  int64         
 56  score_5                   105444 non-null  int64         
 57  seller_id_anon            105444 non-null  object        
 58  periode_soldes            105444 non-null  int64         
 59  marge_brute               105444 non-null  float64       
 60  distance_km               104933 non-null  float64       
 61  total_spent_par_client    105444 non-null  float64       
 62  nb_commandes_par_vendeur  105444 non-null  int64         
 63  prix_moyen_categorie      105444 non-null  float64       
 64  freight_moyen_categorie   105444 non-null  float64       
 65  freight_moyen_region      105444 non-null  float64       
 66  freight_par_distance      104907 non-null  float64       
dtypes: datetime64[us](6), float64(25), int32(13), int64(9), object(14)
memory usage: 49.5+ MB

1 - Quel tranche de produits par prix est le plus acheté¶

On constate que la majorité des produits acheté sont peu coûteux ( 100< )

2 - Quel frais de livraison est plus appliqué¶

La majorité des commandes ont un frais de livraison entre 10 et 20 BRL, avec un pic marqué autour de 17 BRL.

3 - Le prix du produits est il corrélé à ses frais de livraison ?¶

• Il n’existe pas de relation évidente et linéaire entre le prix du produit et ses frais de livraison.
• Même pour des produits bon marché (moins de 200 BRL), les frais de livraison peuvent varier de 0 à plus de 60 BRL.
• Les produit à plus de 200 BRL présente très rarement des frais de livraison en dessous de 10 BRL

4 - Evolution des prix et des frais de livraison dans le temps¶

• Contrairement au prix des produits, les frais de livraison sont bien plus stables, se situant en moyenne entre 10 et 20 BRL.

• Est-ce que certaines régions ont vu une augmentation plus forte des frais de livraison ?

5 - Es ce qu'il y a une corrélation entre distance client vendeur et frais de livraison ?¶

• La ligne de régression rouge indique une relation positive : plus la distance est grande, plus les frais de livraison ont tendance à augmenter.

• Cependant, la dispersion des points est très importante, ce qui montre que la distance n’est pas le seul facteur influençant les frais de livraison.

• Pour les distances inférieures à 2000 km, les frais de livraison sont très dispersés (allant de 0 BRL à plus de 60 BRL)

6 - Les frais de livraison dépendent-ils de la région du vendeur ?¶

• Les États du sud-est comme RJ (Rio de Janeiro), SP (São Paulo) et MG (Minas Gerais) ont des frais de livraison plus bas et plus concentrés.

• À l’inverse, des régions du nord et du centre comme AC (Acre), RR (Roraima) et RN (Rio Grande do Norte) présentent des frais plus élevés et une dispersion plus importante.

• Certains États montrent de très larges distributions des frais de livraison (ex. RR, AC, TO), ce qui peut être lié à une diversité des distances de livraison ou au manque d’infrastructures logistiques.

Ce graphique met en évidence une forte disparité régionale des frais de livraison au Brésil. Les grandes métropoles comme São Paulo et Rio de Janeiro bénéficient de frais plus faibles, tandis que les régions éloignées ou moins développées subissent des coûts plus élevés et plus variables

7 - calcule des produits les plus rentables¶

• Avec une marge moyenne avoisinant 600 BRL, les "computers" affichent la rentabilité la plus élevée.

• Des catégories comme "small appliances - home oven and coffee", "home appliances" et "air conditioning" ont des marges élevées (entre 200 et 400 BRL).

  • Ces produits sont souvent vendus à des prix élevés et peuvent avoir des coûts de production relativement bas par rapport à leur prix de vente.

8 - Es ce que les différents vendeur appliquer des frais de livraison différents ?¶

• Certains vendeurs appliquent des frais plus homogènes (ex. vendeur_10, vendeur_12, vendeur_13), tandis que d’autres ont une très grande dispersion (vendeur_21, vendeur_52).

• Le vendeur_21 semble appliquer les frais de livraison les plus élevés en moyenne, avec plusieurs commandes dépassant 60 BRL.

9 - Es ce que les vendeur appliquent des prix différents sur un même produit ?¶

10 - Impact du mode de transport sur les frais de livraison¶

• Le mode "Express/Postal" a les frais les plus faibles et les plus concentrés

  • La majorité des frais se situent entre 5 et 15 BRL, avec très peu de dispersion.
  • Cela suggère une tarification plus uniforme, souvent appliquée aux petits colis standards.

• Le "Transport Routier" et le "Fret Longue Distance" ont des frais plus élevés et plus dispersés

  • Ces deux modes affichent une médiane plus haute (autour de 20 BRL) et une plus grande variabilité des coûts.
  • Le "Transport Routier" semble légèrement plus coûteux en moyenne que le "Fret Longue Distance", avec plus de frais atteignant 40 BRL et plus.

2 - Analyse des Différences entre Petits et Grands Vendeurs (Qui vend le mieux ?)¶

Préparation des données¶

<class 'pandas.core.frame.DataFrame'>
Index: 107975 entries, 0 to 112649
Data columns (total 66 columns):
 #   Column                       Non-Null Count   Dtype         
---  ------                       --------------   -----         
 0   order_id                     107975 non-null  object        
 1   order_item_id                107975 non-null  int64         
 2   product_id                   107975 non-null  object        
 3   seller_id                    107975 non-null  object        
 4   price                        107975 non-null  float64       
 5   freight_value                107975 non-null  float64       
 6   shipping_limit               107975 non-null  datetime64[us]
 7   limit                        107975 non-null  float64       
 8   name_lenght                  106489 non-null  float64       
 9   description_lenght           106489 non-null  float64       
 10  photos_qty                   106489 non-null  float64       
 11  weight_g                     107975 non-null  float64       
 12  length_cm                    107975 non-null  float64       
 13  height_cm                    107975 non-null  float64       
 14  width_cm                     107975 non-null  float64       
 15  category_name                107975 non-null  object        
 16  customer_id                  107975 non-null  object        
 17  purchase_timestamp           107975 non-null  datetime64[us]
 18  approved_at                  107961 non-null  datetime64[us]
 19  delivered_carrier            107974 non-null  datetime64[us]
 20  delivered_customer           107975 non-null  datetime64[us]
 21  estimated_delivery           107975 non-null  datetime64[us]
 22  status                       107975 non-null  object        
 23  annee                        107975 non-null  int32         
 24  mois                         107975 non-null  int32         
 25  annee_mois                   107975 non-null  period[M]     
 26  jour                         107975 non-null  int32         
 27  annee_jour                   107975 non-null  int32         
 28  jour_semaine                 107975 non-null  int32         
 29  trimestre                    107975 non-null  int32         
 30  annee_trimestre              107975 non-null  int32         
 31  semaine                      107975 non-null  int32         
 32  annee_semaine                107975 non-null  int32         
 33  heure                        107975 non-null  int32         
 34  approuvee                    107961 non-null  float64       
 35  envoyee                      107974 non-null  float64       
 36  livree                       107975 non-null  float64       
 37  estimee                      107975 non-null  float64       
 38  customer_unique_id           107975 non-null  object        
 39  cust_zip_code                107975 non-null  int32         
 40  cust_city                    107975 non-null  object        
 41  cust_state                   107975 non-null  object        
 42  cust_name_state              107975 non-null  object        
 43  cust_lat                     107692 non-null  float64       
 44  cust_lng                     107692 non-null  float64       
 45  sell_zip_code                107975 non-null  int32         
 46  sell_city                    107975 non-null  object        
 47  sell_state                   107975 non-null  object        
 48  sell_name_state              107975 non-null  object        
 49  sell_lat                     107737 non-null  float64       
 50  sell_lng                     107737 non-null  float64       
 51  score                        107975 non-null  int64         
 52  score_1                      107975 non-null  int64         
 53  score_2                      107975 non-null  int64         
 54  score_3                      107975 non-null  int64         
 55  score_4                      107975 non-null  int64         
 56  score_5                      107975 non-null  int64         
 57  seller_id_anon               107975 non-null  object        
 58  periode_soldes               107975 non-null  int64         
 59  nb_commandes_par_vendeur     107975 non-null  int64         
 60  revenu_total_vendeur         107975 non-null  float64       
 61  categorie_dominante_vendeur  107975 non-null  object        
 62  taille_vendeur               107975 non-null  object        
 63  prix_moyen_vendeur           107975 non-null  float64       
 64  evolution_part_marche        107975 non-null  int64         
 65  taux_fidelisation_vendeur    107975 non-null  float64       
dtypes: datetime64[us](6), float64(21), int32(12), int64(10), object(16), period[M](1)
memory usage: 50.3+ MB

1 - Répartition des plus gros vendeur de la plateforme¶

• Forte concentration de vendeurs avec peu de commandes

  • La majorité des vendeurs ont moins de 100 commandes, ce qui indique une grande présence de petits vendeurs.
  • Cela suggère que le marché est fortement fragmenté, avec de nombreux vendeurs réalisant un faible volume de ventes.

• Présence de quelques grands vendeurs avec un volume très élevé

  • Quelques pics apparaissent vers 500, 1000 et 2000 commandes, indiquant l’existence d’un petit groupe de vendeurs dominant les ventes.

2 - Répartition des plus gros chiffre d'affaire de la plateforme¶

• Les vendeurs qui réalisent le plus de commandes ne sont pas forcément ceux qui génèrent le plus de chiffre d’affaires.

  • Par exemple, vendeur_22 et vendeur_12 étaient en tête en nombre de commandes, mais seul vendeur_12 apparaît également dans le classement du chiffre d’affaires.
  • Cela indique que certains vendeurs privilégient le volume de ventes, tandis que d’autres vendent des produits plus chers.

• Certains vendeurs à fort chiffre d’affaires ne figurent pas dans le top des commandes

  • Vendeur_84 et vendeur_191 dominent le chiffre d’affaires, mais ils ne figuraient pas dans le top des vendeurs en nombre de commandes.
  • Cela suggère qu’ils vendent des produits plus chers, générant un revenu plus élevé avec moins de ventes.

3 - Les catégorie privilégié chez les gros vendeur¶

• Les petits vendeurs restent compétitifs dans certaines niches.

  • Certaines catégories montrent une répartition plus équilibrée.
  • Identifier ces segments pourrait permettre aux petits vendeurs de se différencier et d’optimiser leur stratégie.

4 - Les gros vendeur apport-il plus de satisfaction aux clients ?¶

5 - Les gros vendeur sont-ils bien noté ?¶

• Présence d’un nombre significatif d’avis négatifs pour certains vendeurs
  • On observe également des avis négatifs (score_1 et score_2, en bleu) pour tous les vendeurs, même ceux avec de nombreuses notes positives.
  • Certains vendeurs, comme vendeur_10 et vendeur_181, semblent avoir plus d’avis négatifs que d’autres, ce qui pourrait signaler des problèmes récurrents avec leurs produits ou leur service.

6 - Les gros vendeur arrivent-ils a ventre plus de produit cher ?¶

• Les petits vendeurs ne vendent pas nécessairement des produits moins chers.

  • Contrairement à ce que l’on pourrait penser, ils affichent même des prix légèrement plus élevés en moyenne.

• Les grands vendeurs ont une structure de prix similaire, mais optimisent peut-être les coûts.

  • Ils vendent à des prix comparables, voire légèrement inférieurs, tout en réalisant un grand volume de ventes.
  • Leur avantage réside sûrement dans des coûts de logistique réduits ou des négociations avantageuses avec les fournisseurs.

7 - Différence des parts du marché entre petit et gros vendeur¶

• Dès mi-2017, on observe une forte augmentation du nombre de commandes pour les grands vendeurs.

  • Le pic le plus important est atteint vers fin 2017 - début 2018, avec plus de 400 000 commandes en un mois.
  • Après ce pic, il y a une forte volatilité, mais les grands vendeurs restent largement dominants en volume de ventes.

• Les petits vendeurs progressent lentement mais restent en retrait

  • Le nombre de commandes réalisées par les petits vendeurs augmente progressivement, mais la croissance reste beaucoup plus modérée par rapport aux grands vendeurs.
  • Leur évolution semble stable et linéaire, sans pics marqués.

8 - Différence entre l'impact des promotion sur les petits et les gros vendeurs¶

• Les ventes hors promotion restent stables après 2018.

  • On observe un ralentissement de la croissance des ventes hors promotion, tandis que les ventes en promotion continuent d’augmenter.
  • Cela peut indiquer que les promotions deviennent un levier essentiel pour générer des ventes sur la plateforme.

3/ Analyse de la Fidélité des Clients¶

Préparation des données¶

<class 'pandas.core.frame.DataFrame'>
Index: 107975 entries, 0 to 112649
Data columns (total 67 columns):
 #   Column                      Non-Null Count   Dtype         
---  ------                      --------------   -----         
 0   order_id                    107975 non-null  object        
 1   order_item_id               107975 non-null  int64         
 2   product_id                  107975 non-null  object        
 3   seller_id                   107975 non-null  object        
 4   price                       107975 non-null  float64       
 5   freight_value               107975 non-null  float64       
 6   shipping_limit              107975 non-null  datetime64[us]
 7   limit                       107975 non-null  float64       
 8   name_lenght                 106489 non-null  float64       
 9   description_lenght          106489 non-null  float64       
 10  photos_qty                  106489 non-null  float64       
 11  weight_g                    107975 non-null  float64       
 12  length_cm                   107975 non-null  float64       
 13  height_cm                   107975 non-null  float64       
 14  width_cm                    107975 non-null  float64       
 15  category_name               107975 non-null  object        
 16  customer_id                 107975 non-null  object        
 17  purchase_timestamp          107975 non-null  datetime64[us]
 18  approved_at                 107961 non-null  datetime64[us]
 19  delivered_carrier           107974 non-null  datetime64[us]
 20  delivered_customer          107975 non-null  datetime64[us]
 21  estimated_delivery          107975 non-null  datetime64[us]
 22  status                      107975 non-null  object        
 23  annee                       107975 non-null  int32         
 24  mois                        107975 non-null  int32         
 25  annee_mois                  107975 non-null  int32         
 26  jour                        107975 non-null  int32         
 27  annee_jour                  107975 non-null  int32         
 28  jour_semaine                107975 non-null  int32         
 29  trimestre                   107975 non-null  int32         
 30  annee_trimestre             107975 non-null  int32         
 31  semaine                     107975 non-null  int32         
 32  annee_semaine               107975 non-null  int32         
 33  heure                       107975 non-null  int32         
 34  approuvee                   107961 non-null  float64       
 35  envoyee                     107974 non-null  float64       
 36  livree                      107975 non-null  float64       
 37  estimee                     107975 non-null  float64       
 38  customer_unique_id          107975 non-null  object        
 39  cust_zip_code               107975 non-null  int32         
 40  cust_city                   107975 non-null  object        
 41  cust_state                  107975 non-null  object        
 42  cust_name_state             107975 non-null  object        
 43  cust_lat                    107692 non-null  float64       
 44  cust_lng                    107692 non-null  float64       
 45  sell_zip_code               107975 non-null  int32         
 46  sell_city                   107975 non-null  object        
 47  sell_state                  107975 non-null  object        
 48  sell_name_state             107975 non-null  object        
 49  sell_lat                    107737 non-null  float64       
 50  sell_lng                    107737 non-null  float64       
 51  score                       107975 non-null  int64         
 52  score_1                     107975 non-null  int64         
 53  score_2                     107975 non-null  int64         
 54  score_3                     107975 non-null  int64         
 55  score_4                     107975 non-null  int64         
 56  score_5                     107975 non-null  int64         
 57  seller_id_anon              107975 non-null  object        
 58  periode_soldes              107975 non-null  int64         
 59  nb_achats_client            107975 non-null  int64         
 60  categorie_preferee_client   107975 non-null  object        
 61  client_fidele               107975 non-null  bool          
 62  panier_moyen_client         107975 non-null  float64       
 63  valeur_client               107975 non-null  float64       
 64  ancien_client               107975 non-null  bool          
 65  impact_promo_fidelisation   107975 non-null  float64       
 66  satisfaction_client_fidele  107975 non-null  float64       
dtypes: bool(2), datetime64[us](6), float64(22), int32(13), int64(9), object(15)
memory usage: 49.2+ MB

1 - Classement des types de clients pas nombre d'achat¶

• Fidélisation limitée sur la plateforme
  • Ce graphique met en évidence un problème de fidélisation des clients.
  • La plateforme semble être fortement dépendante de nouveaux clients, plutôt que de clients récurrents.

2 - Qu'elles sont les catégories les plus apprécié par les clients fidèle ?¶

3 - Es ce que la plateforme a su fidéliser des clients au file du temps ?¶

• Forte augmentation en fin 2017 suivie d’une baisse en 2018
  • Un pic important est observé vers novembre 2017, avec plus de 1000 clients fidèles.
  • Ce pic est suivi d’une chute brutale en décembre 2017, qui pourrait être due à une fin de campagne promotionnelle ou à un effet saisonnier (achats de fin d’année).
  • Après cette baisse, le nombre de clients fidèles se stabilise autour de 800-900 clients, mais on note une tendance à la baisse après mai 2018.

4 - Les clients fidèle consomme t'ils plus que les clients non fidèle ?¶

• Les clients occasionnels ont un panier moyen plus élevé
  • Les clients occasionnels (False) dépensent en moyenne plus par achat que les clients fidèles (True).
  • Leur panier moyen dépasse 120 BRL, tandis que celui des clients fidèles est inférieur à 100 BRL.

5 - Qu'elle est la répartition de nos client en fonction du prix qu'ils payent ?¶

6 - Es ce que les clients fidèle représente une par significative de notre clientèle ?¶

• Une dépendance massive aux nouveaux clients
  • Le nombre de nouveaux clients est extrêmement élevé par rapport aux anciens clients.
  • Cela signifie que la majorité des utilisateurs achètent une seule fois et ne reviennent pas.
  • Le taux de fidélisation est donc très faible, ce qui pose un problème pour la croissance durable de la plateforme.

7 - Qu'elle est l'impact des promotions sur ces deux segments clients ?¶

8 - Es ce que les clients fidèle sont plus satisfait que les client non fidèle ?¶

9 - Peut on définir des catégories qui plaise au client qui dépense le plus ?¶

10 - Peut on définir un rapport entre la valeur d'un client, sa fidélisation et l'impact des promotion ?¶

• Les promotions jouent un rôle clé dans la fidélisation des clients, mais elles sont surtout utilisées par ceux qui ont une valeur client modérée.
• Les clients Premium et à forte valeur ne sont pas nécessairement sensibles aux promotions, ils achètent davantage sans attendre des réductions.